CIVILICA We Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

سیستم توصیه گر مشارکتی مبتنی بر شبکه عصبی کانولوشن پویا (DCNN)

اعتبار موردنیاز : ۱ | تعداد صفحات: ۸ | تعداد نمایش خلاصه: ۱۴۱ | نظرات: ۰
سال انتشار: ۱۳۹۷
کد COI مقاله: SETCO01_011
زبان مقاله: فارسی
حجم فایل: ۹۱۷.۴۷ کیلوبایت (فایل این مقاله در ۸ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

اگر در مجموعه سیویلیکا عضو نیستید، به راحتی می توانید از طریق فرم روبرو اصل این مقاله را خریداری نمایید.
با عضویت در سیویلیکا می توانید اصل مقالات را با حداقل ۳۳ درصد تخفیف (دو سوم قیمت خرید تک مقاله) دریافت نمایید. برای عضویت در سیویلیکا به صفحه ثبت نام مراجعه نمایید. در صورتی که دارای نام کاربری در مجموعه سیویلیکا هستید، ابتدا از قسمت بالای صفحه با نام کاربری خود وارد شده و سپس به این صفحه مراجعه نمایید.
لطفا قبل از اقدام به خرید اینترنتی این مقاله، ابتدا تعداد صفحات مقاله را در بالای این صفحه کنترل نمایید.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۸ صفحه است در اختیار داشته باشید.

قیمت این مقاله : ۳,۰۰۰ تومان

آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله سیستم توصیه گر مشارکتی مبتنی بر شبکه عصبی کانولوشن پویا (DCNN)

  سینا دامی - استادیار گروه کامپیوتر، دانشکده فنی و مهندسی، واحد تهران غرب، دانشگاه آزاد اسلامی، تهران، ایران
  فرزانه شهبازپور - دانشجوی کارشناسی ارشد، دانشکده فنی و مهندسی، واحد تهران غرب ،دانشگاه آزاد اسلامی، تهران، ایران

چکیده مقاله:

دلیل محبوبیت اینترنت و اینترنت همراه، امروزه مردم با مشکلات سوءاستفاده اطلاعات مواجه هستند.سیستم های توصیه گر برای کمک به مردمی که اخبار اینترنتی را طریق شبکه می خواهند دنبال کنند،بسیار مفید است. پالایش مشارکتی (CF)، محبوب ترین شاخه در حوزه سیستم های توصیه گر است؛ اماابعاد بزرگ داده ها همچنین کمبود اطلاعات همیشه مشکل اصلی هستند. در این مقاله، یک روش جدیدCF معرفی میشود که از روش یادگیری عمیق بدون نظارت بر پایه شبکه عصبی کانولوشن پویا(DCNN) استفاده میشود تا ویژگی های ابعاد پایین مفید را از ماتریس های کوچک کاربر استخراج کند.با استفاده از الگوریتم های مناسب برای محاسبه شباهت، روش پیشنهادی در این مقاله دقیق تر ازروشهای مبتنی بر SVD و یا CF مبتنی بر آیتم گزارش شده است.

کلیدواژه‌ها:

سیستم توصیه گر، پالایش مشارکتی، یادگیری عمیق، شبکه عصبی کانولوشن پویا (DCNN)

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:
https://www.civilica.com/Paper-SETCO01-SETCO01_011.html
کد COI مقاله: SETCO01_011

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
دامی, سینا و فرزانه شهبازپور، ۱۳۹۷، سیستم توصیه گر مشارکتی مبتنی بر شبکه عصبی کانولوشن پویا (DCNN)، کنگره ملی سالانه ایده های نوین پژوهشی در علوم مهندسی و تکنولوژی، برق و کامپیوتر، ساری، موسسه آموزش عالی هدف ساری، https://www.civilica.com/Paper-SETCO01-SETCO01_011.html

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (دامی, سینا و فرزانه شهبازپور، ۱۳۹۷)
برای بار دوم به بعد: (دامی و شهبازپور، ۱۳۹۷)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

علم سنجی و رتبه بندی مقاله

مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
نوع مرکز: دانشگاه آزاد
تعداد مقالات: ۲۲۱۸
در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

مدیریت اطلاعات پژوهشی

اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

مقالات پیشنهادی مرتبط

مقالات مرتبط جدید

شبکه تبلیغات علمی کشور

به اشتراک گذاری این صفحه

اطلاعات بیشتر درباره COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.